एक हालिया अध्ययन से पता चलता है कि कैसे skateboarders आधे पाइपों पर अपनी गति और ऊंचाई बढ़ाने के लिए गणितीय अंतर्दृष्टि का उपयोग कर सकते हैं। ईटीएच ज्यूरिख के गणितज्ञ फ्लोरियन कोगेलबाउर और उनकी शोध टीम ने जांच की है कि विशिष्ट गतिविधियां यू-आकार के रैंप पर स्केटबोर्डर के प्रदर्शन को कैसे प्रभावित करती हैं। कुछ क्षेत्रों में झुकने और खड़े होने के बीच बारी-बारी से, स्केटर्स अतिरिक्त गति उत्पन्न कर सकते हैं, जिससे ऊंची छलांग और तेज गति हो सकती है। फिजिकल रिव्यू रिसर्च में प्रकाशित यह शोध, अपने कौशल में सुधार करने के लक्ष्य वाले स्केटर्स के लिए अधिक कुशल तकनीकों को जन्म दे सकता है।
हाफ-पाइप्स पर मॉडलिंग मोमेंटम
शोध था प्रकाशित अमेरिकन फिजिकल सोसायटी जर्नल में। आधे-पाइप पर गति बढ़ाने के लिए “पंपिंग” या झुकने और खड़े होने के बीच बारी-बारी से काम करने की तकनीक आवश्यक है। कोगेलबाउर की टीम ने यह दिखाने के लिए एक मॉडल बनाया कि शरीर का द्रव्यमान केंद्र एक झूले की यांत्रिकी की तरह, रैंप पर गति को कैसे प्रभावित करता है। अपनी गणना में, उन्होंने पाया कि नीचे की ओर बढ़ते समय झुकना और ऊपर की ओर बढ़ते समय खड़े रहना स्केटर्स को अधिक प्रभावी ढंग से ऊंचाई हासिल करने में मदद करता है। टीम का सुझाव है कि यह लय स्केटर्स को कम गति में रैंप पर अधिक ऊंचाई तक पहुंचने में मदद कर सकती है।
रियल स्केटर्स के साथ सिद्धांत का परीक्षण
मॉडल की वैधता का परीक्षण करने के लिए, शोधकर्ता दो स्केटबोर्डर्स को आधे-पाइप पर नेविगेट करते हुए देखा। उन्हें यथाशीघ्र एक विशिष्ट ऊंचाई तक पहुंचने के लिए कहा गया। वीडियो विश्लेषण से पता चला कि अधिक अनुभवी स्केटर ने स्वाभाविक रूप से मॉडल के सुझाए गए पैटर्न का पालन किया, और कम गति के साथ लक्ष्य ऊंचाई तक पहुंच गया। कम अनुभवी स्केटर, जिन्होंने पैटर्न का सटीक रूप से पालन नहीं किया, उन्हें समान ऊंचाई तक पहुंचने के लिए अधिक समय की आवश्यकता थी। यह विरोधाभास बताता है कि अनुभवी स्केटर्स बेहतर प्रदर्शन के लिए इन सिद्धांतों को सहजता से लागू करते हैं।
स्केटबोर्डिंग से परे व्यापक अनुप्रयोग
कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी की इंजीनियर सोरिना लूपु के अनुसार, इस सरलीकृत मॉडल का रोबोटिक्स में भी अनुप्रयोग हो सकता है। यह प्रदर्शित करके कि शरीर की स्थिति में न्यूनतम समायोजन गति और ऊंचाई को कैसे प्रभावित कर सकता है, यह अध्ययन अंतर्दृष्टि प्रदान करता है जो रोबोटिक गति को और अधिक कुशल बना सकता है। इंजीनियरों के लिए, यह शोध इंगित करता है कि मानव आंदोलन के सीधे मॉडल का उपयोग रोबोटिक प्रदर्शन को बढ़ाने के लिए किया जा सकता है, जो अक्सर रोबोटिक्स में उपयोग किए जाने वाले जटिल मशीन-लर्निंग मॉडल का विकल्प प्रदान करता है।
